MODELO DE SIMULACIÓN€¦ · Modelo conceptual de TCAS. Fuente [13] En la Tabla 1 se muestran los...
Transcript of MODELO DE SIMULACIÓN€¦ · Modelo conceptual de TCAS. Fuente [13] En la Tabla 1 se muestran los...
MODELO DE SIMULACIÓN
BASADO EN AGENTES PARA LA
MEJORA DEL SISTEMA TCAS
Memòria del Treball Fi de Grau
Gestió Aeronàutica
realitzat per
Stanislav Ilkov Pergelov
i dirigit per
Miquel Àngel Piera Eroles
Sabadell, Julio de 2016
El sotasignat, Miquel Àngel Piera Eroles,
professor de l’Escola d’Enginyeria de la UAB,
CERTIFICA:
Que el treball a què correspon aquesta memòria ha estat realitzat sota la seva supervisió per en Stanislav Ilkov Pergelov
I per tal que consti firma la present.
Signat: ............................................
Sabadell, ........de...............................de 2016
FULL DE RESUM – TREBALL FI DE GRAU DE L’ESCOLA D’ENGINYERIA
Títol del Treball Fi de Grau (obligatori en tres idiomes: Català,
Castellà, Anglès)
Modelo de simulación basado en agentes para la mejora del sistema
TCAS
Autor[a]:Stanislav Ilkov Pergelov Data: Julio, 2016
Tutor[a]/s[es]:Miquel Àngel Piera Eroles
Titulació: Gestió Aeronàutica
Paraules clau (mínim 3)
Català:Sistema Multi-Agent, conflicte, detecció, evasió, col·lisió, Netlogo,
aeronau
Castellà:Sistema Multi-Agente, conflicto, detección, evación, colisión,
Netlogo, aeronave
Anglès:Multi Agent System, conflicte, detection, avoidance, collision,
Netlogo, airplane
Resum del Treball Fi de Grau (extensió màxima 100 paraules)
Català: Aquest projecte explorarà la introducció de les Sistemes Multi-Agents
(MAS) en la detecció i resolució de conflictes amb el objectiu de millorar la
seguretat aèria i la coordinació entre les aeronaus en el espai aeri. Es pretén
desenvolupar una simulació basada en agents per avaluar la eficàcia i
millorar el sistema TCAS considerant un escenari real o sintètic de tràfic en
conflicte. Per resoldre aquest conflicte es tindran en consideració diferents
kpi’s de les companyies aèries involucrades.
Castellà: Este proyecto explorará la introducción de los Sistemas Multi-
Agente (MAS) en la detección y resolución de conflictos con el objetivo de
mejorar la seguridad aérea y la coordinación entre las aeronaves en el
espacio aéreo. Se pretende desarrollar una simulación basada en agentes
para evaluar la eficacia y mejorar el sistema TCAS considerando un escenario
real o sintético de tráfico en conflicto. Para resolver este conflicto se tendrán
en cuenta diferentes kpi’s de las compañías aéreas involucradas.
Anglès: This project will explore the introduction of Multi-Agent System
(MAS) in the detection and resolution of conflicts in order to improve aviation
safety and coordination between aircraft in airspace . It aims to develop an
agent-based simulation to evaluate the effectiveness and improve the TCAS
system considering a real or synthetic traffic scenario in conflict. To resolve
this conflict different kpi 's of the involved airlines will be considered.
Índice Capítulo 1 ................................................................................................................................................ 1
1.1 Introducción ............................................................................................................................... 3
1.2 Motivación ................................................................................................................................... 7
1.3 Objetivos ....................................................................................................................................10
1.3.1. Objetivo principal ....................................................................................................10
1.3.2. Objetivos específicos ..............................................................................................10
1.4 Estudio de viabilidad.............................................................................................................11
1.5 Netlogo .......................................................................................................................................12
Capítulo 2. Estado del arte..............................................................................................................15
2.1. TCAS ..........................................................................................................................................17
2.2. Modelado basado en agentes ...........................................................................................19
Capítulo 3. Modelo MAS de un nuevo TCAS .............................................................................23
3.1 Escenario considerado .........................................................................................................25
3.2 Descripción de Agentes y variables .................................................................................26
3.3 Flujo del modelo .....................................................................................................................29
3.3.1 Algoritmo de detección ................................................................................................30
3.3.2 Actualización del algoritmo de detección .............................................................32
3.3.3 Validación del algoritmo de detección ...................................................................33
3.3.4 Negociación .......................................................................................................................35
3.3.5 Recuperación de la trayectoria inicial – procedimiento Volver ...................35
Capítulo 4. Resultados obtenidos ................................................................................................37
4.1 Escenario 1 ................................................................................................................................39
4.2 Escenario 2 ................................................................................................................................41
4.3 Escenario 3 ................................................................................................................................42
Capítulo 5. Conclusiones y líneas de trabajo futuras ...........................................................45
5.1. Conclusiones ...........................................................................................................................47
5.2. Líneas futuras de trabajo ....................................................................................................47
Bibliografía ...........................................................................................................................................51
Índice de figuras
Figura 1. Horas de vuelo anuales vs ratio de colisiones. ..................................................... 3
Figura 2. Separación estándar. ...................................................................................................... 4
Figura 3. Criterios de vigilancia de TCAS. .................................................................................. 5
Figura 4. Modelo conceptual de TCAS. ......................................................................................... 6
Figura 5. Escenario de colisión inducida entre 4 aeronaves. .............................................. 7
Figura 6. Crecimiento anual por estado (2022 vs 2015). ..................................................... 7
Figura 7. Número de vuelos extra por día (2035 vs 2012).................................................. 8
Figura 8. Captura del escenario inicial ......................................................................................26
Figura 9. Monitor de turtles con la simulación ejecutada ..................................................28
Figura 10. Variables globales ........................................................................................................29
Figura 11. Captura de la ventana de ejecución del modelo ...............................................30
Figura 12. Código del algoritmo de detección. .......................................................................31
Figura 13. Agentes generados para la detección de intrusos. ..........................................32
Figura 14. Captura del escenario 1 de la validación del algoritmo de detección. .....33
Figura 15. Captura del escenario 1 de la validación del algoritmo de detección. .....34
Figura 16. Captura de la simulación del escenario 1............................................................40
Figura 17. Captura del escenario 1 con las trayectorias libres de conflicto. ...............40
Figura 18. Captura de la simulación del escenario 2............................................................41
Figura 19. Captura del escenario 2 con las trayectorias libres de conflicto. ...............42
Figura 20. Captura de la simulación del escenario 3............................................................43
Figura 21. Captura delas trayectorias del escenario 3 ........................................................43
Figura 22. CPU time vs distancia de detección. ......................................................................48
Índice de tablas
Tabla 1. Tabla 1. Criterios de TCAS para TA y RA ................................................................... 6
Tabla 2. Catalogación de los riesgos ...........................................................................................12
Tabla 3.Plan de contingencia .........................................................................................................12
CAPÍTULO1. INTRODUCCIÓN
1
Capítulo 1 1.1 Introducción
1.2 Motivación
1.3 Objetivos 1.3.1 Objetivo principal
1.3.2 Objetivos específicos
1.4 Estudio de viabilidad
1.5 Netlogo
CAPÍTULO1. INTRODUCCIÓN
2
CAPÍTULO1. INTRODUCCIÓN
3
Capítulo 1. Introducción
1.1 Introducción
Cuando ocurre un accidente de tráfico aéreo las consecuencias suelen ser
catastróficas. Raras veces hay supervivientes y el impacto social y económico
es enorme. Sin embargo el transporte aéreo sigue siendo el más seguro
comparado con el resto de tipos de transporte. Como se puede ver en la Figura
1 el número de horas de vuelo se ha cuadriplicado en las últimas décadas, sin
embargo el ratio de accidentes aéreos ha disminuido considerablemente.
Figura 1. Horas de vuelo anuales vs ratio de colisiones. Fuente [15]
Para prevenir que ocurran este tipo de accidentes el espacio aéreo está
organizado de manera que queda protegido a través de varias capas de
seguridad. El flujo del tráfico está organizado por aerovías con una separación
vertical de mil pies y una separación lateral de cinco millas náuticas. Los
controladores aéreos aseguran que las separaciones sean respetadas guiando
los pilotos con suficiente antelación. TCAS es un componente de la seguridad
aérea que actúa cuando los demás han fallado.
TCAS (Traffic Alert and Collision Avoidance System en inglés) también
conocido como el Sistema anticolisión de a bordo (ACAS) es un sistema
diseñado para alertar a los pilotos sobre el tráfico cercano y es la última capa
CAPÍTULO1. INTRODUCCIÓN
4
de seguridad contra las colisiones en el aire. El sistema monitorea el espacio
aéreo alrededor para detectar otras aeronaves que pueden presentar una
amenaza. TCAS opera independientemente del equipamiento terrestre y
proporciona a los pilotos orientación sobre la forma de evitar un posible
conflicto. En este contexto consideramos que dos o más aeronaves están en
conflicto cuando se pierde la separación arriba mencionada. La Figura 2
muestra la zona de seguridad que no debe ser violada.
Figura 2. Separación estándar. (Fuente [14])
Para su funcionamiento es necesario que las aeronaves estén equipadas con
transponders que respondan a las interrogaciones del radar. El TCAS usa a los
transponders y antenas propias para poder ubicar una aeronave cercana,
analizar si representa peligro y, dependiendo del modo de transponder(A, C o
S) que se esté usando, poder coordinar una resolución conjunta de una
colisión. Una vez que el procesador identifica un problema, sigue al intruso,
evalúa el riesgo para la aeronave y de manera coordinada da una solución para
resolver el conflicto. Basado en la posición, altitud y distancia de los demás
aviones, TCAS clasifica a las aeronaves intrusas como: Non Threat, Proximity,
Traffic Advisory (TA), Resolution Advisory (RA).
El algoritmo de detección de colisiones de TCAS consiste en proyectar la posición
de la aeronave en el futuro e identificar posibles conflictos basándose en varios
parámetros como separación horizontal y vertical y tiempo hasta el punto de
encuentro. Es necesario que ambas aeronaves estén equipadas con TCAS II para
poder coordinar una resolución (RA). En la Figura 3 se pueden ver los criterios de
vigilancia del TCAS y el tiempo en segundos en el cual se da un aviso de tráfico
(TA) o una resolución de conflicto (RA).
CAPÍTULO1. INTRODUCCIÓN
5
Figura 3. Criterios de vigilancia de TCAS. Fuente (1)
Si existe una amenaza en la zona TA (20-48 segundos dependiendo de la altitud)
se dispara un aviso acústico en cabina. Así, los pilotos están avisados del posible
conflicto y pueden hacer una búsqueda visual y prepararse para una maniobra de
evasión.
En cambio si el intruso está a (15 – 35 segundos dependiendo de la altitud) de la
colisión se dispara un RA con un aviso acústico tipo Climb, Climb indicando la
maniobra necesaria para evitar el encuentro. La maniobra de evasión
recomendada es coordinada entre las dos aeronaves. Los pilotos deben
reaccionar inmediatamente ante un RA para conseguir la separación mínima
necesaria.
Cuando la amenaza haya pasado TCAS avisa a ambas aeronaves con un mensaje
que están libres de conflicto.
En la Figura 4 la aeronave i recibe un RA de descenso mientras que la aeronave j
recibe orden de ascenso. De esta manera se consigue la separación mínima en
altitud (ALIM) en el CPA entre las dos aeronaves.
CAPÍTULO1. INTRODUCCIÓN
6
Figura 4. Modelo conceptual de TCAS. Fuente [13]
En la Tabla 1 se muestran los criterios para TA y RA.
Tabla 1. Tabla 1. Criterios de TCAS para TA y RA
Cuando el conflicto es entre más de dos aeronaves, TCAS resuelve los conflictos
indicando una maniobra coordinada (RA) que proporciona la separación
necesaria a cada pareja en conflicto sin considerar el resto de tráfico alrededor.
Resolviendo de esta manera es posible que la RA indicada evite la colisión con la
aeronave en conflicto pero al mismo tiempo genere una colisión inducida con
otra aeronave. Para evitar estas colisiones inducidas es imprescindible tener en
consideración el tráfico colindante.
CAPÍTULO1. INTRODUCCIÓN
7
Con la ayuda de las técnicas MAS en este proyecto se exploraran las vías que
solucionen de una manera eficiente los conflictos existentes y evitar colisiones
inducidas. En la Figura 5 se puede observar como las aeronaves 1 y 4 generan una
colisión inducida al resolver el conflicto con sus amenazas correspondientes.
Figura 5. Escenario de colisión inducida entre 4 aeronaves. Fuente [13]
1.2 Motivación
Según Eurocontrol se espera que la demanda en el sector de transporte aéreo
aumente considerablemente en los próximos años. La Figura 6 muestra el
crecimiento medio anual por estado de los movimientos IFR a medio plazo
(2015 - 2022). El porcentaje medio de crecimiento se sitúa en 2.2% para
Europa.
Figura 6. Crecimiento anual por estado (2022 vs 2015). Fuente (Eurocontrol 2016)
CAPÍTULO1. INTRODUCCIÓN
8
Figura 7. Número de vuelos extra por día (2035 vs 2012). Fuente (Eurocontrol 2016)
Por otro lado en la Figura 7 se observa el crecimiento de vuelos extra por día
a largo plazo (2012 - 2035). Se espera que los vuelos pasen de 10 a cerca de
17 millones al año. El número máximo de vuelos en un día actualmente está
en 33 000 con una previsión de alcanzar los 50 000 en el año 2030.
Para poder dar respuesta a esta futura demanda se están desarrollando
nuevos conceptos en ATM (Air Traffic Management).
SES (Single European Sky) es un programa propuesto por Comisión Europea
para eliminar las fronteras en el espacio aéreo entre los países. Los objetivos
más importantes de este programa son:
Incrementar la capacidad del espacio aéreo
Reestructurar el espacio aéreo
Incrementar la eficiencia del ATM
Para conseguir los objetivos del SES se ha puesto en marcha el programa
SESAR (Single European Sky ATM Research). Es la dimensión tecnológica del
SES que coordina la investigación y el desarrollo de los mecanismos
necesarios para conseguir los objetivos arriba mencionados.
Otro concepto relacionado es Free Route que ofrece a los usuarios una ruta
más cercana al plan de vuelo preferido. En un espacio aéreo Free Route se
define un punto de entrada y un punto de salida del dicho espacio pero los
usuarios pueden planear la ruta que más les convenga sin seguir rutas
preestablecidas. En todo momento los vuelos son sujetos al control de tráfico
aéreo.
CAPÍTULO1. INTRODUCCIÓN
9
El Free routing no es solo una manera de mejorar la eficiencia y la capacidad
del espacio aéreo. Es el paso intermedio hacia 4D Business Trajectory, uno de
los retos más importantes para conseguir los objetivos del programa SESAR.
Estas trayectorias son expresadas en espacio y tiempo y son compartidas con
antelación con el resto de usuarios con el fin de planificar y negociar el encaje
de las mismas en el espacio aéreo. Dichas trayectorias son las Shared Business
Trajectory (SBT) que posteriormente evolucionan hacia las Reference Business
Trajectory (RBT) implementadas momentos antes del vuelo. Son las
trayectorias acordadas entre los usuarios y los proveedores de servicios de
navegación aérea.
Un proyecto similar llamado NEXTGEN se está llevando a cabo en EE. UU. Los
objetivos de este programa no distan mucho de los de SESAR: incrementar la
capacidad del espacio aéreo, incrementar la seguridad y reducir las emisiones
de CO2.
Estos nuevos conceptos permitirán a las aeronaves más flexibilidad para
cambiar la trayectoria inicial con lo cual la responsabilidad de separación en
algunos casos será delegada a cada aeronave. Como consecuencia se
necesitaría especial énfasis en el incremento de la capacidad de cada
aeronave de detectar y evitar colisiones. Surge la necesidad de mejorar los
algoritmos de detección y evasión de conflictos en ruta para poder mantener
y/o mejorar la seguridad en vuelo y dar cabida a la demanda prevista en el
futuro.
El ATM actual está llegando a su capacidad máxima. Las normas y
procedimientos actuales en la gestión del tráfico aéreo no podrán hacer frente
al futuro crecimiento de la demanda. Es de vital importancia que todos los
actores de la industria del transporte aéreo colaboren para identificar
medidas que puedan mejorar la capacidad y la eficiencia del espacio aéreo.
Para medir la eficiencia del ATM existen una serie de indicadores llamados
kpi’s. Algunos de ellos son:
La comparación del plan de vuelo con la distancia de la trayectoria
óptima. Este indicador es influenciado por las decisiones de los
controladores para modificar las trayectorias y por el diseño del
espacio aéreo.
Capacidad del espacio aéreo. El máximo número de vuelos que un
sector puede asumir en condiciones normales. Se utiliza para
comprobar que los proveedores de servicios de navegación aseguran
una capacidad que pueda asumir la demanda actual.
Retraso en ruta. Retrasos atribuidos a las restricciones que presenta el
ATM.
CAPÍTULO1. INTRODUCCIÓN
10
Las restricciones del espacio aéreo introducen costes adicionales a las
compañías aéreas. Por ejemplo cuando los controladores indican una
maniobra para asegurar la distancia mínima de separación desvían a la
aeronave de su ruta inicial con el consecuente consumo de combustible.
También pueden introducir retrasos que se traducen en costes de tripulación.
Este proyecto explorará la introducción de los Sistemas Multi-Agente (MAS)
en la detección y resolución de conflictos con el objetivo de mejorar la
seguridad aérea y la coordinación entre las aeronaves en el espacio aéreo y al
mismo tiempo reducir los costes adicionales que pueden ser introducidos por
las restricciones que presenta el ATM. La diferencia principal con el TCAS
convencional es que las aeronaves negociaran el cambio de trayectorias antes
de la necesidad de hacer una maniobra brusca para evasión de conflicto y al
mismo tiempo evitar que se generen colisiones inducidas.
1.3 Objetivos
1.3.1. Objetivo principal
Se pretende desarrollar una simulación basada en agentes para evaluar la
eficacia y mejorar el sistema TCAS considerando un escenario real o sintético
de tráfico con conflicto. Para resolver este tipo de escenarios es necesario
proponer maniobras a las trayectorias originales considerando diferentes
indicadores económicos de las aerolíneas involucradas. De entre todas las
posibles maniobras libres de conflicto, se trata de encontrar una solución
óptima para todos los agentes minimizando la desviación de las trayectorias
iniciales y el impacto económico y medioambiental. Así tendrán que negociar
entre ellos para encontrar las trayectorias factibles que eviten colisiones y
penalicen al mínimo a cada agente y al mismo tiempo eviten generar
colisiones inducidas. La plataforma utilizada para desarrollar la simulación
será Netlogo.
1.3.2. Objetivos específicos
Para poder cumplir el objetivo principal se definirán objetivos parciales que
aportaran la información necesaria para la consecución del objetivo principal.
Estos objetivos a corto plazo permitirán determinar una metodología de
CAPÍTULO1. INTRODUCCIÓN
11
estudio y análisis de los ámbitos necesarios para la realización de este
proyecto.
Estudiar el funcionamiento del sistema TCAS y su evolución
histórica. Resulta necesario conocer cómo ha ido cambiando el
sistema a lo largo de los años para poder determinar cuál es la
mejor estrategia para la resolución de un conflicto.
Estudiar el funcionamiento de los modelos de simulación
basados en agentes y en concreto la plataforma Netlogo.
Desarrollo de los algoritmos para la resolución del problema
Diseñar y ejecutar un conjunto de experimentos que permitan
evaluar y validar el potencial del modelo desarrollado.
1.4 Estudio de viabilidad
Para determinar la viabilidad de un proyecto es imprescindible analizar los
objetivos definidos y ver si estos se pueden cumplir con éxito. Por otro lado
se definirán una serie de riesgos, se catalogaran en función de la probabilidad
de que sucedan y se elaborara un plan de contingencia para determinar cual
el la mejor manera de solucionarlos.
Analizando los objetivos, este trabajo será viable si se puede realizar un
estudio detallado del sistema TCAS, los sistemas multi-agente y el entorno de
simulación Netlogo. También será necesario conseguir información real
referente a los indicadores económicos que utilizan las compañías aéreas y
las trayectorias a simular.
Riesgos del proyecto:
R1: Planificación temporal errónea
R2: No conseguir datos reales para la simulación
R3: No realizar alguna de las tareas planificadas
R4: Falta de capacidad para modelar el sistema
R5: Que el entorno de simulación no tenga capacidad de escalabilidad
R6: Que el entorno de simulación no soporte la definición de algunas
dinámicas
R7: Falta de información referente al indicadores económicos de las
compañías aéreas
R8: Abandono del proyecto por algún motivo
CAPÍTULO1. INTRODUCCIÓN
12
Catalogación de los riesgos:
RIESGO PROBABILIDAD IMPACTO R1 Media Medio R2 Media Medio R3 Baja Alto R4 Baja Alto R5 Media Medio R6 Media Alto R7 Alta Medio R8 Baja Critico
Tabla 2. Catalogación de los riesgos
Plan de contingencia:
Riesgo Solución R1 Planificación nueva del proyecto y plantearse de eliminar algunas
tareas con poca importancia e impacto bajo sobre el proyecto R2 Trabajar con datos sintéticos(académicos) R3 Valorar la importancia de la tarea y si se puede prescindir de la
misma R4 Buscar asesoramiento externo y por parte del tutor R5 Cambiar el entorno de simulación por uno con más capacidad R6 Cambiar el entorno de simulación por uno con más capacidad R7 Trabajar con datos recomendados por parte de los fabricantes de
aeronaves R8 Intentar reconducir la situación para poder llevarlo a cabo
Tabla 3.Plan de contingencia
1.5 Netlogo
Netlogo es un entorno para la simulación de fenómenos naturales y sociales
suficientemente avanzado para utilizarlo como herramienta potente para
investigaciones en diferentes áreas [12]. Es un software adecuado para
modelar sistemas complejos y dinámicos como la gestión de tráfico aéreo y
ver cómo se comportan los agentes en un entorno cambiante con la evolución
del tiempo. En este contexto se define a un agente como un individuo capaz
de tomar decisiones de manera autónoma e interactuar con otros agentes y el
entorno que le rodea.
En la interfaz de Netlogo encontremos tres pestañas principales con las
secciones que nos permiten definir y ejecutar los modelos.
CAPÍTULO1. INTRODUCCIÓN
13
Pestaña Ejecutar: es la que nos permite visualizar el modelo y ejecutar
la simulación. También nos permite añadir controles adicionales para
poder controlar variables globales para modificar el comportamiento
global del sistema. Por otro lado se pueden introducir gráficas y
diferentes tipos de monitores que actualizan la información con la
ejecución del modelo y ayudan a entender los datos que el modelo está
generando.
Pestaña Información: en esta pestaña el creador del modelo puede
explicar cómo funciona la simulación y los aspectos importantes que
hay que tener en cuenta al ejecutarlo.
Pestaña Código: aquí se dónde se escriben los procedimientos del
modelo que definen el comportamiento de los agentes.
Los agentes presentes en Netlogo son los siguientes:
Turtles: son los agentes móviles.
Patches: representas una porción del entorno.
Links: son agentes que pueden conectar las turtles.
Observador: este agente puede dar instrucciones sobre los demás
agentes.
Netlogo permite modelar en 2D y en 3D. Este proyecto se modelara en 3D.
También existe una extensa biblioteca de modelos que ayudan al modelador
a entender mejor el funcionamiento del software (Netlogo, 2016).
CAPÍTULO1. INTRODUCCIÓN
14
15
CAPÍTULO 2. ESTADO DEL ARTE
Capítulo 2. Estado del arte
2.1. TCAS
2.2. Modelado basado en agentes
16
CAPÍTULO 2. ESTADO DEL ARTE
17
CAPÍTULO 2. ESTADO DEL ARTE
Capítulo 2. Estado del arte
2.1. TCAS
La creciente demanda de movilidad en el siglo XXI pone a los investigadores
ante el reto de encontrar herramientas y técnicas más eficientes para
solucionar los problemas del tráfico y del transporte (Bazzan y Klugl, 2014).
A continuación se realizara un análisis de la investigación sobre el Sistema de
Alerta de Tráfico y Evasión de Colisión (TCAS) que se utiliza como última capa
de seguridad para disminuir el riesgo de colisiones en el aire (NMAC), y forma
parte del equipamiento obligatorio en todos los aviones de transporte
comercial (Tang et al., 2015). Posteriormente se hará un estudio sobre los
enfoques basados en agentes destinados a evitar colisiones.
Kuchar y Yang (2000) aportan un resumen y debate sobres los principales
enfoques utilizados para solucionar problemas de detección y resolución de
conflictos (CD&R). En su estudio, los autores citan más de 60 métodos
diferentes propuestos por distintos investigadores para solucionarlos. Estos
métodos se han desarrollado no solo para el espacio aéreo, sino también para
vehículos terrestres, robótica y aplicaciones marítimas ya que los aspectos
fundamentales relativos a evitar conflictos son similares en todos los medios
de transporte. Kuchar y Yang (2000), definen un conflicto como un
acontecimiento en el que dos o más aviones pierden la separación mínima. En
consecuencia, el objetivo del sistema de CD&R es predecir la ocurrencia de un
conflicto en el futuro, comunicar el conflicto detectado a un operador humano
y en algunos casos, colaborar en la resolución de la situación de conflicto.
Específicamente respecto a TCAS, Kuchar y Yang (2000) observan que los
casos de contradicción entre la detección y solución de conflictos por parte
del controlador de tráfico aéreo y las alertas TCAS han tenido lugar desde la
introducción de TCAS. Los autores sugieren que en futuros enfoques, será
importante tener en cuenta más aspectos, entre ellos los efectos de la
incertidumbre, la capacidad de gestionar conflictos múltiples, coordinación,
requisitos computacionales, problemas de implementación y aceptación por
parte de los pilotos y los controladores.
Según Billingsley (2009), en los métodos de análisis de seguridad utilizados
inicialmente para apoyar el desarrollo del TCAS se simularon un gran número
de encuentros entre dos aviones y se analizó el comportamiento de la lógica
de TCAS en la solución de estos encuentros. Sin embargo, como observa
Billingsley (2009), utilizando estos métodos no se ha analizado
rigurosamente el comportamiento de la lógica multiamenaza de TCAS y no se
18
CAPÍTULO 2. ESTADO DEL ARTE
entienden muy bien los mecanismos internos de la lógica. TCAS resuelve los
encuentros multiamenaza seleccionando un aviso de solución (RA) que
proporciona la separación vertical adecuada en cada amenaza. Puede hacerlo
enviando el mismo RA de un encuentro de amenaza única o una combinación
de RA de sentido ascendente y descendente (p.e., No Ascender y No
Descender). Según Billingsley (2009), la preocupación principal en los
encuentros multiamenaza es que TCAS puede enviar una maniobra
inadecuada que solucione el encuentro con la primera amenaza pero que
induzca a colisión con una amenaza secundaria, o que sea incompatible (p.e.,
RA de Ascenso y Descenso simultáneos). En el estudio de Billingsley (2009),
se utilizó el modelo de encuentro correlacionado para generar un encuentro
uno a uno entre dos aviones y para posteriormente utilizar una versión
modificada del modelo para generar un tercer avión involucrado en el
encuentro. Los resultados indican que en encuentros multiamenaza, la lógica
TCAS duplica las colisiones en el aire y aproximadamente las quintuplica
respecto a los encuentros uno a uno. Billingsley (2009) observó que TCAS
proporciona más seguridad en encuentros multiamenaza mediante avisos de
solución que comportan una mayor separación vertical entre el avión
equipado y el primer intruso. Además, el estudio evidenció que la Versión 7.1
de TCAS en encuentros multiamenaza aumenta en un 0,45% la seguridad en
comparación con la Versión 7.0. Los cambios de lógica de la Versión 7.1
trabajan conjuntamente con la lógica multiamenaza para resolver geometrías
relativas a encuentros.
En el estudio de Tang et al. (2015), los autores trataron el problema de que en
casos de tráfico intenso TCAS puede inducir a una colisión potencial y que
faltan mecanismos para mejorar la función de evasión de TCAS en tráfico
aéreo denso. Su estudio se basa en un modelo CPN causal teniendo en cuenta
las operaciones de evasión basadas en TCAS para generar todos los posibles
estados futuros en los que deberían destacarse los potenciales estados de
colisión. El modelo causal de Tang et al. (2015) puede mejorar el
comportamiento de TCAS a nivel operativo en escenarios de tráfico de alta
densidad para facilitar un control preciso de todo el tráfico y para asegurar
operaciones seguras y eficientes.
Para verificar la viabilidad de la técnica propuesta, Tang et al. (2015)
realizaron varios experimentos de simulación en un escenario multiamenaza
que reunía las siguientes características: (1) Un escenario bastante complejo
con varios aviones, (2) Implica interrelación (también denominada efecto
dominó) entre amenazas cercanas. Por ejemplo, una nueva amenaza
secundaria puede emerger en el proceso de resolución de sus respectivas
amenazas anteriores. (3) Permite a cada uno de los aviones implicados
seleccionar diferentes cambios de rumbos (ascender/sin
19
CAPÍTULO 2. ESTADO DEL ARTE
variaciones/descender). La principal contribución de Tang et al. (2015) es
una mejora innovadora del comportamiento de evasión de TCAS utilizando
un modelo causal de CPN basado en el espacio de estado generado que ayuda
a comprender los casos de colisión potencial para evaluar riesgos mediante la
representación de la relación causa efecto de cada acción y también ayuda a
la tripulación del avión implicada a encontrar una opción cooperativa y viable.
Liang (2015) sigue un enfoque distinto. Su trabajo presenta un sistema de
razonamiento basado en casos para la solución automatizada de conflictos de
corto alcance en ruta en situaciones de Alerta de Conflicto a Corto Plazo
(STCA). El estudio consta principalmente de dos aspectos: representación y
recuperación de casos. En primer lugar, se presentan las experiencias del
controlador en solución de conflictos como un conocimiento específico
organizado en el marco y características del caso que se analizan
detalladamente. En segundo lugar, se realiza la recuperación de casos para
obtener el mejor caso histórico coincidente con el nuevo caso mediante
cálculos de similitud basados en el algoritmo de cercanía más parecido.
2.2. Modelado basado en agentes
Durante la última década, ha habido grandes progresos en la ingeniería de
transporte y tráfico debido al uso de tecnología de agentes (Bazzan y Klugl,
2014). Debido a la creciente complejidad de los sistemas de transporte y de
tráfico ocasionada por el modo de vida moderna y nuevos medios de
organización del transporte, no solo hay que desarrollar nuevas técnicas sino
también comprender mejor las opciones individuales para que todo el
sistema sea más eficiente. Se ha aceptado que los enfoques basados en
agentes se adaptan muy bien a la gestión de tráfico y transporte considerando
la distribución de datos y el control geográfico, funcional y temporal y
también la interacción frecuente y flexible entre los participantes y su entorno
(Bazzan y Klugl, 2014). Por ello, los enfoques basados en agentes pueden
contribuir al esfuerzo relacionado con el diseño y control de sistemas de
transporte inteligentes. Según Shah et al. (2005), los sistemas de gestión de
tráfico aéreo tiene las siguientes características que los hacen adecuados para
la simulación basada en agentes: 1. Implicar varios agentes en diversos roles
y con diversos y distintos fines y capacidades; 2. Orientado a finalidades u
objetivos; 3. Disponer de conocimientos, cultura y procesos establecidos y 4.
Capacidad de interactuar con su entorno.
Según Chen y Cheng (2010), el concepto de agentes inteligentes ya se aplica
en una gran variedad de aplicaciones en fabricación, sistemas de control en
tiempo real, comercio electrónico, gestión de redes, sistemas de transporte,
20
CAPÍTULO 2. ESTADO DEL ARTE
gestión de la información, computación científica, asistencia sanitaria y
espectáculos. Chen y Cheng (2010) manifiestan que desde el punto de vista
de la gestión del tráfico y del transporte, las características más interesantes
de los agentes son autonomía, colaboración y reactividad. El hecho de que los
agentes pueden operar sin la intervención directa de humanos u otros ayuda
a implementar sistemas automatizados de control y gestión de tráfico.
Además, los agentes son colaborativos. En un sistema multiagente (MAS), los
agentes se comunican con otros agentes en un entorno para alcanzar un
objetivo global. Además, los agentes también pueden percibir su entorno y
responder oportunamente a los cambios ambientales. Chen y Cheng (2010)
explican que la distribución geográfica y funcional y la naturaleza altamente
dinámica del control del tráfico aéreo (ATC) lo convierten en un candidato
ideal con muchas aplicaciones potenciales que se pueden modelar con MAS,
como la evasión de colisión y la gestión del flujo de tráfico aéreo. La
secuenciación óptima de aviones utilizando la planificación inteligente
(OASIS) presentada en Ljungberg y Lucas (1992) es un sistema en tiempo real
orientado a agentes desarrollado para dar soporte a la gestión del tráfico
aéreo. OASIS distribuye las tareas de gestión de tráfico aéreo entre dos clases
de agentes autónomos y cooperativos: agentes aéreos y agentes globales.
Iordanova (2003) propone la planificación de un tráfico aéreo sin conflictos
apoyado en arquitectura de DDS integrados para aeropuertos, líneas aéreas y
ATC. La coordinación y el intercambio adecuado de conocimientos del espacio
aéreo por estas tres partes garantizan la planificación del uso del mismo libre
de conflictos antes de que el avión despegue, durante el control en ruta y
aseguran un uso eficiente del espacio aéreo. La mayoría de sistemas ATC
basados en agentes se diseñan e implementan en arquitectura MAS. En estos
sistemas los agentes no actúan solos. Wangermann y Stengel (1996, 1998)
proponen utilizar negociación ejemplar en los sistemas inteligentes de
aviones/espacio aéreo para que tanto los aviones como las líneas aéreas
optimicen sus operaciones. Wollkind et al. (2004) proponen utilizar
negociación multiagente cooperativa para la solución de conflictos de tráfico
aéreo. La capacidad de coordinación de agentes en MAS es prometedora en
muchos sistemas de gestión ATC.
Chen y Cheng (2010) avisan que aunque MAS ofrece muchas ventajas, como
la descentralización y colaboración, también aumenta la complejidad del
sistema. No obstante, concluyen que los resultados de la investigación
demuestran claramente el potencial de utilizar tecnologías basadas en
agentes para mejorar el rendimiento de los sistemas de tráfico y transporte.
Sin embargo, Chen y Cheng (2010) afirman que la mayoría de aplicaciones
basadas en agentes se centran en el diseño y la simulación y que se
implementan y desarrollan pocas aplicaciones del mundo real. Por ello, Chen
21
CAPÍTULO 2. ESTADO DEL ARTE
y Cheng (2010) sugieren que el diseño, la implementación y la aplicación de
enfoques basados en agentes en el ámbito de tráfico y transporte todavía
necesitan madurar y seguir siendo estudiados.
Shah et al. (2005) explican que la simulación basada en agentes puede
integrar modelos cognitivos de conductas humanas, modelos físicos de
comportamiento tecnológico y descripción de su entorno operativo. Según
Shah et al. (2005), aunque las simulaciones basadas en agentes no pueden
incluir todos los aspectos del comportamiento del sistema, pueden
proporcionar conocimientos rápidos y rentables que pueden complementar
otras formas de análisis. En Shah et al. (2005), las simulaciones basadas en
agentes no se basan en modelos de alto nivel de un sistema de tráfico aéreo
sino que sitúan modelos de agente en un entorno enriquecido, los simulan en
un escenario realista y observan cuál es el resultante comportamiento del
sistema. En este caso los niveles de abstracción son (1) los agentes
(normalmente humanos como pilotos y controladores) y (2) el
comportamiento emergente general del sistema. Además del
comportamiento general del sistema, en simulaciones basadas en agentes los
agentes responden a su entorno y a los demás. Shah et al. (2005) especifican
que se ha utilizado el término agente en el sentido de cualquier cosa entre una
mera subrutina u objeto y una entidad adaptable, autónoma e inteligente;
pero en su trabajo utilizan la definición de Hayes de un agente como entidad
con (1) autonomía, es decir la capacidad de efectuar algunas operaciones
locales y (2) interactividad, es decir la necesidad y capacidad de interactuar
con otros agentes para realizar sus propias tareas y objetivos. Además, Shah
et al. (2005) especifican que la inclusión de un modelo de entorno en una
simulación basada en agentes requiere una concepción ligeramente distinta
de “entorno” de la utilizada generalmente en ingeniería de sistemas. Más que
considerar el entorno como algo exterior a los límites del sistema, en la
simulación basada en agentes el entorno abarca todos los elementos pasivos
del sistema que sitúan el funcionamiento de los agentes proactivos. El entorno
de los agentes puede tener un impacto radical en su comportamiento
individual y por ello, en la actuación del sistema emergente; sus elementos
(incluyendo espacio físico, nuevas tecnologías y procedimientos y
reglamentaciones) son frecuentemente los medios mediante los cuales se
realiza el cambio en todo el sistema. Shah et al. (2005) explican que la
simulación basada en agentes requiere dos nuevos desarrollos además de la
especificación conceptual de agente y modelos ambientales: (1) codificar
estos modelos conceptuales con suficiente exactitud para que puedan ser
implementados como objetos de software computacional y (2) colocar estos
objetos de software en una estructura de software mayor que cree y
mantenga sus correctas interacciones.
22
CAPÍTULO 2. ESTADO DEL ARTE
En resumen, la simulación basada en agentes es un método
comparativamente nuevo para analizar sistemas de gestión de tráfico aéreo.
Se basa en aquellos aspectos de sistemas de gestión del tráfico aéreo que se
pueden observar o especificar directamente– las prácticas de trabajo de los
propios agentes – y a partir de ello, predice el comportamiento del sistema en
conjunto, y las demandas correspondientes que el entorno presentará a sus
agentes, generalmente pilotos y controladores (Shah et al. (2005).
23
CAPÍTULO 3. MODELO MAS DE UN NUEVO TCAS
Capítulo 3. Modelo MAS de un nuevo TCAS
3.1 Escenario considerado
3.2 Descripción de Agentes y variables
3.3 Flujo del modelo
3.3.1 Algoritmo de detección
3.3.2 Actualización del algoritmo de detección
3.3.3 Validación del algoritmo de detección
3.3.4 Negociación
3.3.5 Recuperación de la trayectoria inicial –
procedimiento Volver
24
CAPÍTULO 3. MODELO MAS DE UN NUEVO TCAS
25
CAPÍTULO 3. MODELO MAS DE UN NUEVO TCAS
Capítulo 3. Modelo MAS de un nuevo TCAS
3.1 Escenario considerado
El objetivo principal de este proyecto es evaluar la eficacia y el potencial de
los Sistemas Multi-Agente aplicados en el ámbito de la detección y resolución
de conflictos en el espacio aéreo. Se presentara la simulación del sistema
TCAS donde los agentes negociaran las trayectorias con suficiente antelación
para evitar maniobras bruscas de Climb/Descend y desviarse lo mínimo
posible de sus trayectorias iniciales. El objetivo último de la mejora del
sistema TCAS simulado va en línea con los objetivos principales del programa
SESAR de incrementar la capacidad del espacio aéreo y la seguridad en ruta y
disminuir los efectos sobre el medio ambiente.
Debido a la dificultad para conseguir datos reales el modelo utilizara datos
sintéticos (académicos) referentes a las trayectorias simuladas y los
indicadores económicos de las compañías aéreas.
Inicialmente se considera un escenario de 4 aeronaves en el cual existen 2
conflictos, uno por cada pareja de aeronaves. Posteriormente se añaden más
aeronaves (hasta 6) generando escenarios de multi-amenaza donde los
conflictos aumentan de manera considerable y la resolución de los mismos se
hace más compleja.
Aunque el objetivo de este proyecto es encontrar soluciones colaborativas
entre los agentes, se simulara un escenario donde los agentes compiten entre
sí para encontrar la mejor solución a nivel individual. Esta simulación se hará
con 6 aeronaves y tiene como objetivo comparar la diferencia de coste entre
los escenarios colaborativo y competitivo.
El tiempo en Netlogo se mide en pasos discretos llamados ticks. Cada vez que
la simulación avanza un paso el número de ticks se incrementa en una unidad.
Se asume que cada patch tiene 1Nm, la velocidad de las aeronaves es
constante a 360 knot y cada tick equivale a 1 segundo.
En la Figura 8 se muestra el escenario inicial de la simulación.
26
CAPÍTULO 3. MODELO MAS DE UN NUEVO TCAS
Figura 8. Captura del escenario inicial
3.2 Descripción de Agentes y variables
Los agentes utilizados en este proyecto se representan a través de turtles y
patches según la terminología de Netlogo. Las aeronaves están representadas
por las turtles y los patches representan las trayectorias y los puntos de
conflicto que existen entre las aeronaves.
Las turtles tienen variables inherentes como el número identificador, las
coordenadas xyz, heading, pitch, etc. que juegan un papel importante en esta
simulación. Se ha predefinido la forma de las tortugas visibles como
“airplane”.
A parte de estas se han definido otras variables necesarias para el
funcionamiento del modelo que se detallan a continuación:
n_pitch; esta variable conserva el pitch inicial de cada aeronave
necesario para poder volver a su trayectoria una vez resuelto el
conflicto
m_distance; esta variable es de tipo lista y guarda la distancia hasta el
punto de conflicto con cada una de las aeronaves (en el caso de exista
más de un conflicto)
lp; es el conjunto de patches que conforman la trayectoria inicial de la
aeronave
new-lp; esta conjunto de patches representa la trayectoria modificada
de la aeronave después de efectuar un Climb/Descend
conflict; esta variable cuenta el número de conflictos que tiene la
aeronave
27
CAPÍTULO 3. MODELO MAS DE UN NUEVO TCAS
id-conflict; contiene la lista de identificadores de las aeronaves con las
que hay un conflicto
movements; cuenta los movimientos que ha efectuado cada aeronave
col1; contiene la lista de patches en los que hay un conflicto
col2; contiene la lista de tiempos hasta llegar al col1
last-p; es el último patch de la trayectoria
cost; es el coste acumulado por los movimientos efectuados para
resolver los conflictos.
En la siguiente Figura se muestran dos turtles con la ventana de variables
desplegada y con el modelo ejecutado. Se puede observar que los agentes 0 y
5 están en conflicto ya que en ambas listas de id-conflict aparece el agente
contrario. Al mismo tiempo ambos agentes están en conflicto con el agente 1.
28
CAPÍTULO 3. MODELO MAS DE UN NUEVO TCAS
Figura 9. Monitor de turtles con la simulación ejecutada
Para poder controlar el flujo de la simulación se han definido una serie de
variables globales. Estas variables se pueden utilizar por todos los
procedimientos definidos.
29
CAPÍTULO 3. MODELO MAS DE UN NUEVO TCAS
Figura 10. Variables globales
3.3 Flujo del modelo
Para ejecutar la simulación se ha habilitado el botón Setup que limpia todos
los datos de simulaciones anteriores e inicializa las variables globales con los
valores predeterminados y reinicia los ticks a cero.
El siguiente paso es el botón Go que ejecuta los procedimientos de creación
de las aeronaves, detección de colisiones, evasión y negociación para la
evasión de los conflictos. En las siguientes líneas se explicaran cada uno de los
procedimientos del modelo. También está la posibilidad de avanzar la
simulación por pasos a través del botón Step. Cada vez que se pulsa este botón
la simulación avanza un tick.
Para poder visualizar los datos que genera la simulación se genera una gráfica
con los costes que tiene que asumir cada aeronave al negociar la nueva
trayectoria libre de conflictos. Por otro lado se han creado monitores para
poder ver los costes individuales y el coste total que generan los movimientos.
El monitor total-conflicts indica los conflictos que existen en cada escenario.
El interruptor mostrar-trayectorias? nos permite ver las trayectorias libres de
conflicto. Al seleccionar la posición on los patches que conformas dichas
trayectorias cambiaran de color.
Por último el deslizador numt permite elegir el número de aeronaves que
conforman el escenario.
30
CAPÍTULO 3. MODELO MAS DE UN NUEVO TCAS
Figura 11. Captura de la ventana de ejecución del modelo
3.3.1 Algoritmo de detección
Es uno de los procedimientos con más peso de la simulación. La correcta
detección de las posibles amenazas y la proyección de sus trayectorias en el
futuro son esenciales para el funcionamiento del modelo.
El primer paso es preguntar a todos los agentes si existen otras aeronaves a
una distancia de 30 Nm. Si es así, se almacena el número identificador de cada
una en una lista global.
La siguiente acción que se ejecuta es almacenar la trayectoria del propio
agente en la lista lp y copiarla en una lista global de trayectorias de todos los
agentes. También se guarda el último patch de la trayectoria en la variable
last-p que servirá como referencia para volver a la trayectoria inicial una vez
resuelto el conflicto.
Por otro lado cada turtle crea un agente “invisible” y del mismo color en cada
patch de la trayectoria. Estos agentes “invisibles” serán necesarios en otro
procedimiento que se explicara más adelante.
Después se comparan las trayectorias almacenadas en la lista global con las
listas de cada agente para comprobar si existe un conflicto. Cabe destacar que
en esta comprobación con la lista global hay que excluir el propio agente ya
que si no se producirían coincidencias que no son reales.
Si se encuentra un patch común para dos agentes, este es almacenado en la
variable col1 de cada uno de ellos y la variable conflict se incrementa en uno.
También se actualizan las variables id-conflict, col2, m_distance y la variable
global total-conflicts.
31
CAPÍTULO 3. MODELO MAS DE UN NUEVO TCAS
Esta serie de pasos del algoritmo implica que desde el primer tick de la
simulación todos los agentes que se encuentran a 30 Nm uno de otro serán
conscientes de los conflictos que tienen y el tiempo que tardan en llegar hasta
el CPA 1con cada una de las aeronaves que están en la lista id-conflict.
A continuación se muestra el código del procedimiento:
Figura 12. Código del algoritmo de detección.
1 CPA (Closest point of approach).
32
CAPÍTULO 3. MODELO MAS DE UN NUEVO TCAS
3.3.2 Actualización del algoritmo de detección
Para asegurar que en cada momento la distancia mínima de separación no sea
violada se ha creado el procedimiento update-detection. Aquí es donde
cumplirán su función los agentes invisibles creados en el procedimiento
anterior.
El funcionamiento de este procedimiento es el siguiente: los agentes
invisibles que conforman la trayectoria de cada aeronave tienen un color
diferente de los demás agentes. Se preguntan a todos estos agentes si en un
radio de 5 Nm y una altura 1000 ft existen agentes de otro color visibles. Si
es así comparan el tiempo de llegada de cada aeronave hasta el patch de
conflicto y en caso de coincidencia llaman al procedimiento avoid-collision.
En la siguiente figura se observan los agentes en 30Nm de la trayectoria de
cada aeronave visibles a través de la propiedad hidden? que tienen los
agentes en Netlogo.
Figura 13. Agentes generados para la detección de intrusos.
33
CAPÍTULO 3. MODELO MAS DE UN NUEVO TCAS
3.3.3 Validación del algoritmo de detección
Para validar el algoritmo de detección se han realizado dos simulaciones de
escenarios extremos con dos aeronaves volando a la misma altitud.
Se ha habilitado un botón que modifica la coordenada “y” de una de las
aeronaves y de esta manera disminuye la distancia lateral entre ambas a
menos de 5 Nm. De esta manera el algoritmo debería detectar los patches
donde la distancia es menor que 5 Nm.
Debido a que son escenarios de validación, la acción que se pide a los agentes
que realicen es cambiar el color del patch en el que se pierde la separación
lateral mínima.
Escenario 1
Volando en la misma dirección
La figura muestra los patches de otro color donde la separación es por
debajo de 5 Nm. Si la coordenada “y” se cambia en 0.1 los agentes no
detectaran amenaza ya que la separación será respetada.
Figura 14. Captura del escenario 1 de la validación del algoritmo de detección.
34
CAPÍTULO 3. MODELO MAS DE UN NUEVO TCAS
Escenario 2
Volando en direcciones opuestas
En este escenario de manera similar al primero los patches en los que
no se guarda la separación mínima cambian de color. Se observa que
la distancia entre las aeronaves es 4,9959 y por lo tanto el intruso es
detectado.
Figura 15. Captura del escenario 1 de la validación del algoritmo de detección.
35
CAPÍTULO 3. MODELO MAS DE UN NUEVO TCAS
3.3.4 Negociación
En este procedimiento los agentes que están en conflicto hacen un proceso
de negociación para encontrar una solución viable para todos resolviendo los
conflictos existentes. Cada agente compara su altitud con los agentes que está
en conflicto inicialmente y les propone una maniobra vertical para
solucionarlos.
También se comparan las trayectorias con el resto de agentes en el escenario
para comprobar si el movimiento efectuado ha generado un nuevo conflicto
al resolver el inicial. Si los conflictos resueltos son mayores que los generados
se propone otra maniobra al siguiente agente hasta encontrar una solución
en la que el escenario quede libre de conflictos.
Los parámetros en función de los cuales se hace la negociación son los
siguientes:
Numero de movimientos efectuados; si un agente ya ha hecho varias
maniobras y en cambio el agente con el que está en conflicto no se ha
movido, el primero se resiste a moverse de nuevo ya que otro
movimiento aumentaría el coste total del vuelo.
Penalización por cada grado de incremento/decremento de pitch;
similar al parámetro anterior aumenta el coste total en función de los
grados de inclinación que son necesarios para evitar la colisión.
Variable stres; esta variable aumenta la presión sobre los agentes para
negociar de la manera más rápida posible. El coste de cada maniobra
incrementa de manera proporcional al incremento de la variable la cual
aumenta en una unidad después de cada iteración. Es decir cuánto más
tarden los agentes en ponerse de acuerdo más costosa será la maniobra
a efectuar para resolver el conflicto.
3.3.5 Recuperación de la trayectoria inicial – procedimiento Volver
Una vez solucionados los conflictos existentes las aeronaves recuperan la
trayectoria que tenían antes del comienzo de la negociación. El procedimiento
volver se encarga de guiar los agentes hacia un punto de la trayectoria inicial
que tenían asegurando que las separaciones mínimas sean respetadas. Así,
después de la resolución de los conflictos las aeronaves vuelven a sus
trayectorias óptimas.
36
CAPÍTULO 4. RESULTADOS OBTENIDOS
37
CAPÍTULO 4. RESULTADOS OBTENIDOS
Capítulo 4. Resultados obtenidos
4.1 Escenario 1
4.2 Escenario 2
4.3 Escenario 3
38
CAPÍTULO 4. RESULTADOS OBTENIDOS
39
CAPÍTULO 4. RESULTADOS OBTENIDOS
Capítulo 4. Resultados obtenidos
En este proyecto se ha desarrollado un modelo de simulación utilizando
técnicas MAS para mejorar el sistema TCAS.
Aunque los datos para la simulación son académicos, se ha comprobado que
la simulación basada en agentes permite una comunicación autónoma entre
las aeronaves sin necesidad de un agente controlador. Las aeronaves tienen
la información suficiente sobre el tráfico en el entorno y pueden negociar una
resolución de los conflictos.
Para poder comparar los resultados y el impacto que supone la actitud de los
agentes a la hora de negociar se han modelado dos escenarios que tienen los
mismos agentes pero con comportamientos diferentes. En un caso los agentes
colaboran para encontrar la solución más eficiente para todos como conjunto.
En el otro caso los agentes tienen una actitud más “agresiva” y la solución que
buscan es la más eficiente a nivel individual.
A continuación se realizarán varias simulaciones y se analizarán los datos
obtenidos.
4.1 Escenario 1
El primer escenario es ejecutado con 4 aviones buscando una solución de los
conflictos de manera cooperativa. Es un escenario en el cual se generaría una
colisión inducida si fuera resuelto con la lógica del TCAS. Podemos observar
como los costes que generan las maniobras efectuadas por cada aeronave son
muy similares. Además la distancia de seguridad mínima es respetada entre
cada una de ellas.
Por otro lado no se ha generado ninguna colisión inducida ya que los agentes
han modificado sus trayectorias una vez comprobado que esta nueva
trayectoria no genera un nuevo problema.
40
CAPÍTULO 4. RESULTADOS OBTENIDOS
Figura 16. Captura de la simulación del escenario 1
Figura 17. Captura del escenario 1 con las trayectorias libres de conflicto.
41
CAPÍTULO 4. RESULTADOS OBTENIDOS
En la Figura 17 se muestran las trayectorias proyectadas de las aeronaves una vez resueltos los conflictos. Se observa claramente que las aeronaves volaran a niveles diferentes.
4.2 Escenario 2
En este escenario se han añadido dos aeronaves al escenario anterior. Los
agentes han encontrado una solución global eficiente a pesar de que los
conflictos han aumentado a 5. Aunque alguno de los agentes tiene un coste
superior a los demás, ninguno de ellos ha tenido que efectuar una maniobra
de evasión. Los cambios de las trayectorias son progresivos y las distancias
mínimas son respetadas.
Figura 18. Captura de la simulación del escenario 2
42
CAPÍTULO 4. RESULTADOS OBTENIDOS
Figura 19. Captura del escenario 2 con las trayectorias libres de conflicto.
De manera similar al escenario 1 la Figura 19 muestra las trayectorias libres de conflicto de todas las aeronaves después de la negociación.
4.3 Escenario 3
Este escenario contiene las mismas 6 aeronaves que el escenario 2. La
diferencia reside en que los agentes aquí tienen una actitud competitiva.
Mientras en el escenario anterior los agentes intentan ponerse de acuerdo, en
este cada uno intenta que se mueva otro agente sabiendo que puede llegar a
una situación extrema de evasión de conflicto que puede ser mucho más
costosa. Se observa en la figura siguiente como dos aeronaves cumplen un RA
para evitar la colisión. También se puede ver de la gráfica que la aeronave de
color azul ha hecho una maniobra brusca con el consecuente incremento de
coste.
43
CAPÍTULO 4. RESULTADOS OBTENIDOS
Figura 20. Captura de la simulación del escenario 3
Figura 21. Captura delas trayectorias del escenario 3
44
CAPÍTULO 4. RESULTADOS OBTENIDOS
En la Figura 21 se observa claramente que algunas de las trayectorias
proyectadas no están libres de conflicto. En este caso los agentes tienen un
comportamiento competitivo y no están dispuestos a modificar sus
trayectorias.
45
CAPÍTULO 5. CONCLUSIONES Y LÍNEAS DETRABAJO FUTURAS
Capítulo 5. Conclusiones y líneas de trabajo futuras
5.1. Conclusiones
5.2. Líneas futuras de trabajo
46
CAPÍTULO 5. CONCLUSIONES Y LÍNEAS DETRABAJO FUTURAS
47
CAPÍTULO 5. CONCLUSIONES Y LÍNEAS DETRABAJO FUTURAS
Capítulo 5. Conclusiones y líneas de trabajo futuras
5.1. Conclusiones
El propósito de este trabajo era evaluar la aplicación de los sistemas basados
en agentas para mejorar el sistema TCAS. Aunque TCAS funciona de manera
fiable en los encuentros uno a uno, presenta deficiencias en los encuentros
multi-amenaza pudiendo generar colisiones inducidas. Se ha demostrado que
MAS son una herramienta útil y eficaz aplicada a la resolución de conflictos
en el espacio aéreo y en la mejora del sistema TCAS.
Para hacer frente a las previsiones de aumento de tráfico aéreo se tendrán
que aplicar nuevas técnicas de gestión de tráfico basadas en la automatización
y en la integración de los diferentes actores. Las técnicas MAS constituyen una
nueva línea de investigación y pueden ser un enfoque diferente en la
resolución de conflictos y evasión de colisiones.
5.2. Líneas futuras de trabajo
Para aproximar el modelo a la realidad hay algunas áreas que pueden ser
mejoradas.
En el algoritmo de detección de amenazas cada aeronave está creando
un agente invisible por cada patch en su trayectoria en las 30 Nm
siguientes. Se ha elaborado un gráfico para ver como degrada el
algoritmo en tiempo de ejecución a medida que se aumenta la distancia
de detección de intrusos. Podemos observar que el tiempo de ejecución
aumenta considerablemente con la distancia de detección. Esto es
debido a que el modelo tiene que crear tantos agentes como millas
náuticas de detección multiplicados por el número de aeronaves. Es
necesario llevar a cabo un estudio para ver cómo afectaría la fiabilidad
del algoritmo y el tiempo de ejecución si en vez de crear un agente cada
patch lo creamos cada 2 o 3 patches.
48
CAPÍTULO 5. CONCLUSIONES Y LÍNEAS DETRABAJO FUTURAS
Figura 22. CPU time vs distancia de detección.
Una función de coste que pueda proyectar el coste total en función de
las decisiones actuales podría ser otro punto de mejora que influiría
considerablemente en las decisiones que toman los agentes.
En este modelo se asume que las aeronaves son de características
similares y no se aplican cambios de velocidad. En la negociación se
podría aplicar el cambio de pitch teniendo en cuenta las dimensiones
de las aeronaves. Tampoco se ha contemplado el efecto de la estela
turbulenta.
En este proyecto se tienen en cuenta solo los conflictos del sector actual
en el que estan las aeronaves. Se podrían considerar todos los
conflictos que han tenido las aeronaves a lo largo del trayecto desde el
despegue a la hora negociar los movimientos.
Otro aspecto a tener en consideración es si las aeronaves son de la
misma compañía o de la competencia. Diferentes normas se pueden
aplicar en este sentido ya que si dos aeronaves en conflicto son de la
misma compañía lo podrían resolver según normas internas de la
compañía. Sin embargo, si son aeronaves de diferentes compañías la
negociación será más compleja.
Por otro lado la negociación se puede llevar a nivel de compañías en
vez de aeronaves. Esto significa que a la hora de resolver un conflicto a
49
CAPÍTULO 5. CONCLUSIONES Y LÍNEAS DETRABAJO FUTURAS
través de la negociación entre aviones de dos compañías distintas se
debería mirar el histórico de encuentros que han tenido a lo largo del
día, semana, mes los aviones de sus flotas y tomar las decisiones de
manera cooperativa o competitiva. En esta línea se podría tener en
consideración el poder de negociación de las compañías aéreas en
función del número de aeronaves que tienen, facturación, pertenencia
a algún grupo, etc.
Muchos estudios se están llevando a cabo para mejorar la capacidad del
TCAS para evitar colisiones. TCAS III, que todavía no está
implementado, considera la posibilidad de efectuar maniobras
horizontales para la resolución de conflictos. Incorporar este enfoque
al modelo actual podría mejorar la función del TCAS en la resolución de
los conflictos.
Por último se podría introducir un factor “competitividad” entre las
compañías aéreas. Si una compañía quiere eliminar un competidor del
mercado nunca negociara de manera cooperativa en la resolución de
los conflictos e intentara resolver el conflicto en beneficio propio y
perjudicando a la competencia en la mayor medida posible.
50
BIBLIOGRAFÍA
51
BIBLIOGRAFÍA
Bibliografía
52
BIBLIOGRAFÍA
Bibliografía
[1] Ana L.C.Bazzan and Franziska Klügl, “A review on agent-based
technology for traffic
and transportation”, 2014.
[2] James K. Kuchar and Lee C. Yang, “A Review of Conflict Detection and
Resolution Modeling Methods”, IEEE Transactions on Intelligent
Transportation Systems, Vol. 1, No. 4, December 2000, pp. 179-189.
[3] T.B. Billingsley, L.P. Espindle and J.D. Griffith, “TCAS Multiple Threat
Encounter Analysis”, October 2009.
[4] Jun Tang, Miquel Angel Piera, Yunxiang Ling, and Linjun Fan, Extended
Traffic Alert Information to Improve TCAS Performance by means of Causal
Models, June 2015.
[5] Shah et al. "Analyzing Air Traffic Management Systems Using Agent-based
Modeling and Simulation." 6th USA/Europe ATM R&D Seminar. 27-30 June
2005, Baltimore, MD.
[6] M. Ljungberg and A. Lucas, “The OASIS air traffic management system,” in
Proc. 2nd Pacific Rim Int. Conf. Artif. Intell., Seoul, Korea, 1992.
[7] B. N. Iordanova, “Air traffic knowledge management policy,” Eur. J. Oper.
Res., vol. 146, no. 1, pp. 83–100, Apr. 1, 2003.
[8] J. P. Wangermann and R. F. Stengel, “Distributed optimization and
principled negotiation for advanced air traffic management,” in Proc. IEEE Int.
Symp. Intell. Control Held Together With IEEE Int. Conf. Control Appl., IEEE
Int. Symp. Comput.-Aided Control Syst. Des. (Cat. No. 96CH35855), New York,
1996, pp. 156–161.
[9] J. P. Wangermann and R. F. Stengel, “Principled negotiation between
intelligent agents: A model for air traffic management,” Artif. Intell. Eng., vol.
12, no. 3, pp. 177–187, Jul. 1998.
[10] S. Wollkind, J. Valasek, and T. R. Ioerger, “Automated conflict resolution
for air traffic management using cooperative multiagent negotiation,” in Proc.
AIAA Guid., Navigat., Control Conf., 2004, pp. 1078–1088.
[11] Bo Chen and Harry H. Cheng, “A Review of the Applications of Agent
Technology in Traffic and Transportation Systems”, June 2010.
[12] Juan Carlos García Vázquez, Fernando Sancho Caparrini, “Netlogo una
herramienta de modelado”, 2015
53
BIBLIOGRAFÍA
[13] Jun Tang, “Causal models for analysis of TCAS-Indused collisions”, PhD
Thesis, 2015
[14] Youngrae Kim, Sangchul Lee, Keumjin Lee and Ja-Young Kang, “A
Development of 3-D Resolution Algorithm for Aircraft Collision Avoidance”,
Int’l J. of Aeronautical & Space Sci. 14(3), 272–281, 2013
[15] James K. Kuchar and Ann C. Drumm, “The Traffic Alert and Collision
Avoidance System”, 2007
Paginas web:
(1) http://www.aviator.tk/2016/03/traffic-alert-and-collision-
avoidance.html
(2) https://ccl.northwestern.edu/netlogo/
(3) http://www.eurocontrol.int/statfor
(4) http://www.skybrary.aero/index.php/Airborne_Collision_Avoidance_
System_(ACAS)